SSML示例详解

## 这是个人常用的SSML模板

```xml
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" 
     xmlns:mstts="https://www.w3.org/2001/mstts" 
     xmlns:emo="http://www.w3.org/2009/10/emotionml" 
     xml:lang="zh-CN">
     <voice name="{voice_model}" rate="{voice_speed}">  <!-- 动态赋值音频模型 和 语速 -->
         <mstts:silence type="Leading" value="1000ms"/>  <!-- # 文本开头的附加静音 -->
         <mstts:silence type="Tailing" value="1000ms"/>  <!-- # 文本末尾的静音 -->
         <mstts:silence type="Sentenceboundary" value="1000ms"/>  <!-- # 在两个句子之间添加 1000 毫秒的静音 -->
         <mstts:silence type="Comma" value="300ms"/>  <!-- # 逗号处添加 300 毫秒的静音 -->
         <mstts:silence type="Semicolon" value="500ms"/>  <!-- # 分号处添加 500 毫秒的静音 -->
         <mstts:silence type="Enumerationcomma" value="300ms"/>  <!-- # 枚举逗号处添加 300 毫秒的静音 -->
         <mstts:express-as style="sad" styledegree="2"> <!-- 情感、风格使用示例 -->
             快走吧，路上一定要注意安全，早去早回。
         </mstts:express-as>
         <break time="1s" />  <!-- # 开头默认停顿1秒 -->
         {voice_text}  <!-- 动态赋值要转换的文本 -->
     </voice>
 </speak>
```

<!-- more -->

## Azure文档示例

这里记录Azure官方给出的文档示例及相关说明。官方文档链接：[SSML文档](https://learn.microsoft.com/zh-cn/azure/ai-services/speech-service/speech-synthesis-markup-structure)

### 示例
```xml
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="string">
    <mstts:backgroundaudio src="string" volume="string" fadein="string" fadeout="string"/>
    <voice name="string" effect="string">
        <audio src="string"></audio>
        <bookmark mark="string"/>
        <break strength="string" time="string" />
        <emphasis level="value"></emphasis>
        <lang xml:lang="string"></lang>
        <lexicon uri="string"/>
        <math xmlns="http://www.w3.org/1998/Math/MathML"></math>
        <mstts:audioduration value="string"/>
        <mstts:ttsembedding speakerProfileId="string"></mstts:ttsembedding>
        <mstts:express-as style="string" styledegree="value" role="string"></mstts:express-as>
        <mstts:silence type="string" value="string"/>
        <mstts:viseme type="string"/>
        <p></p>
        <phoneme alphabet="string" ph="string"></phoneme>
        <prosody pitch="value" contour="value" range="value" rate="value" volume="value"></prosody>
        <s></s>
        <say-as interpret-as="string" format="string" detail="string"></say-as>
        <sub alias="string"></sub>
    </voice>
</speak>
```

### 说明

以下列表描述了每个元素中允许的一些内容示例：

- `audio`：如果音频文件不可用或不可播放，可在 `audio` 元素的正文中包含可讲述的纯文本或 SSML 标记。 `audio` 元素还包含文本和以下元素：`audio`、`break`、`p`、`s`、`phoneme`、`prosody`、`say-as` 和 `sub`。
- `bookmark`：此元素不能包含文本或任何其他元素。
- `break`：此元素不能包含文本或任何其他元素。
- `emphasis`：此元素可包含文本和以下元素：`audio`、`break`、`emphasis`、`lang`、`phoneme`、`prosody`、`say-as` 和 `sub`。
- `lang`：此元素可包含除 `mstts:backgroundaudio`、`voice` 和 `speak` 以外的所有其他元素。
- `lexicon`：此元素不能包含文本或任何其他元素。
- `math`：此元素只能包含文本和 MathML 元素。
- `mstts:audioduration`：此元素不能包含文本或任何其他元素。
- `mstts:backgroundaudio`：此元素不能包含文本或任何其他元素。
- `mstts:embedding`：此元素可包含文本和以下元素：`audio`、`break`、`emphasis`、`lang`、`phoneme`、`prosody`、`say-as` 和 `sub`。
- `mstts:express-as`：此元素可包含文本和以下元素：`audio`、`break`、`emphasis`、`lang`、`phoneme`、`prosody`、`say-as` 和 `sub`。
- `mstts:silence`：此元素不能包含文本或任何其他元素。
- `mstts:viseme`：此元素不能包含文本或任何其他元素。
- `p`：此元素可包含文本和以下元素：`audio`、`break`、`phoneme`、`prosody`、`say-as`、`sub`、`mstts:express-as` 和 `s`。
- `phoneme`：此元素只能包含文本，不能包含任何其他元素。
- `prosody`：此元素可包含文本和以下元素：`audio`、`break`、`p`、`phoneme`、`prosody`、`say-as`、`sub` 和 `s`。
- `s`：此元素可包含文本和以下元素：`audio`、`break`、`phoneme`、`prosody`、`say-as`、`mstts:express-as` 和 `sub`。
- `say-as`：此元素只能包含文本，不能包含任何其他元素。
- `sub`：此元素只能包含文本，不能包含任何其他元素。
- `speak`：SSML 文档的根元素。 此元素可包含以下元素：`mstts:backgroundaudio` 和 `voice`。
- `voice`：此元素可包含除 `mstts:backgroundaudio` 和 `speak` 以外的所有其他元素。

语音服务可自动适当处理停顿（例如，在句号后面暂停片刻），或者在以问号结尾的句子中使用正确的音调。

#### 特殊符号

若要在 SSML 元素的值或文本中使用字符 `&`、`<` 和 `>`，则必须使用实体格式。 具体而言，必须使用 `&amp;` 而不是 `&`，使用 `&lt;` 而不是 `<`，使用 `&gt;` 而不是 `>`。 否则，无法正确分析 SSML。

例如，请指定 `green &amp; yellow` 而不是 `green & yellow`。 以下 SSML 按预期进行分析：

```xml
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="en-US">
    <voice name="en-US-AvaNeural">
        My favorite colors are green &amp; yellow.
    </voice>
</speak>
```

引号、撇号和括号等特殊字符必须经过转义。 有关详细信息，请参阅[可扩展标记语言 (XML) 1.0：附录 D](https://www.w3.org/TR/xml/#sec-entexpand)。

属性值必须用双引号或单引号括起来。 例如，`<prosody volume="90">` 和 `<prosody volume='90'>` 是格式正确的有效元素，但无法识别 `<prosody volume=90>`。

#### 主动停顿

使用 `break` 元素替代单词之间的默认中断或暂停行为。 否则，语音服务会根据文本自动插入暂停。

主动停顿示例：

```xml
<break time="1s" />
```

`break` 元素可以有两个可选属性：
- `strength`：使用以下值之一指定暂停的相对持续时间：`x-weak`、`weak`、`medium`（默认值）、`strong`、`x-strong`。
- `time`：暂停的绝对持续时间，以秒为单位（例如 `2s`）或以毫秒为单位（例如 `500ms`）。 有效值的范围为 `0` 到 `5000` 毫秒。 如果设置的值大于支持的最大值，则服务将使用 `5000ms`。 如果设置了 `time` 属性，则会忽略 `strength` 属性。